AKURASI JARAK PENGGUNA TERHADAP HOTSPOT WIFI DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Syaljumairi, Raemon (2021) AKURASI JARAK PENGGUNA TERHADAP HOTSPOT WIFI DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR. Masters thesis, Universitas Putra Indonesia YPTK.

Preview	Text (Abstrak) Thesis_Raemon Syaljumairi-191321012-Abstrak.pdf Download (148kB) | Preview
Preview	Text (Bab I) Thesis_Raemon Syaljumairi-191321012-Bab I.pdf Download (136kB) | Preview
Preview	Text (Daftar Pustaka) Thesis_Raemon Syaljumairi-191321012-daftar pustaka.pdf Download (129kB) | Preview
	Text (Full Text) Thesis_Raemon Syaljumairi-191321012-Full Text.pdf Restricted to Repository staff only Download (5MB)

Abstract

Teknologi wireless saat ini bisa dimanfaatkan untuk menentukan posisi pengguna di dalam ruangan. Pemanfaatan signal strength WiFi dari Access Point (AP) bisa memberikan informasi posisi pengguna yang berada di dalam ruangan. Alternatif penentuan posisi pengguna di dalam ruangan menggunakan Receive Signal Strength (RSS) WiFi. Penelitian ini dilakukan untuk mengkalasifikasian jarak Euclidean Distance antara data training dengan data testing pengguna terhadap hotspot dengan mengukur tingkat akurasi pengklasifikasian jarak pengguna terhadap hotspot wifi menggunakan metode K-Nearest Neighbor. Penelitian ini dilakukan dengan membandingkan jarak antar pengguna terhadap 2 atau lebih AP menggunakan Teknik Euclidean Distance. Teknik Euclidean Distance digunakan sebagai kalkulator jarak dimana ada dua titik dalam bidang 3 dimensi dengan mengukur panjang segmen yang menghubungkan dua titik. Teknik ini paling baik untuk merepresentasikan jarak antara pengguna terhadap AP. Pengumpulan data RSS menggunakan teknik Fingerprinting. Data RSS tersebut dikumpulkan dari 20 AP yang terdeteksi menggunakan aplikasi wifi analizer, dari hasil scanning tersebut didapatkan data RSS sebanyak 709 data RSS. Nilai RSS tersebut dijadikan sebagai data training. K-Nearest Neighbor (K-NN) saat mengelompokkan data uji yang baru yang digunakan adalah neighbourhood clasification sehingga K-NN mampu mengklasifikasikan jarak terdekat dari data uji yang baru dengan nilai data training yang ada. Berdasarkan hasil penelitian yang telah dilakukan bahwa dengan menggunakan metode K-NN diperoleh persentase tertinggi pada K = 3 sebesar 95% dan nilai error minimum sebesar 5%

Actions (login required)

View Item